原理解析与基础知识
1.宏观上：
人工智能与机器学习和深度学习的关系如下图所示：
传统的程序与机器学习程序的差别：
1.1一个用于手写数字识别的神经网络模型实例拆分：
1.1.1通过初始化权重参数得到预测值：
1.1.2损失函数衡量网络输出结果的质量：
1.1.3通过损失函数调节权重参数：
2.微观上：
2.1从一台简单的预测器开始：
一台简单的机器可能长成的样子：
换成更恰当的计算机的表现形式：
再具体点：
稍稍增加点复杂度，试想一下将千米转化为英里的一台机器：
千米和英里之间的这种线性关系，为我们提供了这种神秘计算的线索，即它的形式应该是“英里=千米×C”，其中C为常数。现在，我们还不知道这个常数C是多少？
我们拥有一些正确的千里、英里匹配数值对示例：
我们应该做些什么，才能计算出缺失的常数C呢？我们信手拈来一个随机的数值，让机器试一试！让我们试着使用C = 0.5，看看会发生什么情况。
这里，我们令：英里=千米×C，其中千米为100，当前，我们猜测C为0.5。这台机器得到50英里的答案
嗯，鉴于我们随机选择了C = 0.5，这种表现还算不错。但是，编号为2的真实实例告诉我们，答案应该是62.137，因此我们知道这是不准确的。我们少了12.137。这是计算结果与我们列出的实例真实值之间的差值，是误差。即：
下一步，我们将做些什么呢？我们知道错了，并且知道差了多少。我们不需对这种误差感到失望，我们可以使用这个误差，指导我们得到第二个、更好的C的猜测值。让我们将C从0.5稍微增加到0.6，观察会发生什么情况；哇，误差值变得更小了，为2.137
这里，很重要的一点是，我们使用误差值的大小指导如何改变C的值。我们希望输出值从50增大一些，因此我们稍微增加了C的值。让我们再次重复这个过程。输出值60还是太小了。我们再次微调C，将其从0.6调到0.7。
糟糕！过犹不及，结果超过了已知的正确答案。先前的误差值为2.137，现在的误差值为-7.863。这个负号告诉我们，我们不是不足，而是超调了。请记住上面的公式，误差值等于真实值减去计算值。
如此说来，C = 0.6比C = 0.7好得多。那我们为什么不使用一个较小的量，微调C，将C从0.6调到0.61呢？
这比先前得到的答案要好得多。我们得到输出值61，比起正确答案62.137，这只差了1.137。因此，最后的这次尝试告诉我们，应该适度调整C值。如果输出值越
来越接近正确答案，即误差值越来越小，那么我们就不要做那么大的调整。使用这种方式，我们就可以避免像先前那样得到超调的结果。
无论你是否相信，我们刚刚所做的，就是走马观花地浏览了一遍神经网络中学习的核心过程。我们训练机器，使其输出值越来越接近正确的答案。